一种面向联邦学习本地训练的高效审计方法及系统

本发明公开一种面向联邦学习本地训练的高效审计方法及系统，属于分布式机器学习与隐私保护技术领域，方法包括：S1服务器端构建初始全局模型，发给客户端作为本地模型；S2将客户端数据集划分为训练样本和审计样本，用训练样本训练本地模型；S3使用审计样本解析本地模型各卷积层中特征图相似性；S4将特征图组中低秩特征图对应的滤波器识别为冗余信息，根据审计压缩率进行结构化剪枝，并生成记录滤波器存或状态的掩码；S5，将压缩完成的本地模型在审计样本上进行推理获取模型精度，若与上轮审计后的模型比精度损失不超过设定阈值，则进入S6；反之，回滚到上轮本地模型；S6客户端将模型和掩码上传至服务器，服务器基于掩码进行聚合，得到全局模型。